lukijalle saatteeksi: twollatun tekstiaineiston disambiguointi · lukijalle saatteeksi: twollatun...

Lukijalle saatteeksi: Twollatun tekstiaineiston disambiguointi

Vesa Heikkinen, Mikko Lounela & Satu Leisko-Järvinen

31.3.2012

Teksti Twollatun tekstiaineiston disambiguointi on alkujaan tarkoitettu Kotuksen eli Kotimaisten kielten

tutkimuskeskuksen (nyk. Kotimaisten kielten keskus) sisäiseen käyttöön. Kyse on ohjeistavasta käyttötekstistä:

Kotuksen korpus- ja tekstintutkijoiden aineistoja tehtiin ja analysoitiin vuosituhannen vaihteessa paljolti tilapäisin

harjoittelijavoimin, jolloin korostui ohjeistuksen ja dokumentoinnin tarve. Tekstissä käytetäänkin muun muassa puhe- ja

arkityylisiä ilmauksia, kuten otsikon twollata, jolla viitataan Fintwol-nimiseen morfologiseen jäsentimeen.

Tämä erityisesti ”Tekstistä korpukseksi” -aineistojen eli Teko-aineistojen tekijöille tarkoitettu ohje ilmestyi

ensimmäisen kerran Kotuksen sisäisessä verkossa Apajassa 20.8.2007 (Leisko-Järvisen nimi oli tuolloin Uosukainen).

Sisältöä on päivitetty viimeksi 31.12.2007. Ohje perustuu vuosien mittaan kerättyihin kokemuksiin tämäntapaisen

aineistotyön, korpuslingvistiikan ja tekstintutkimuksen parissa. Kun ohje valmistui, ajateltiin, että samantapainen

aineistoja analyysityö jatkuisi Kotuksessa. Todellisuudessa mainitunlainen toiminta oli juuri hiipumassa, kun ohje

vihdoin saatiin tähän vaiheeseen.

Teko-projektin aikana valmistui useita aineistoja ja tutkimuksia. Näitä esitellään tarkemmin muun muassa kirjassa

Genreanalyysi – tekstilajitutkimuksen käsikirja (Gaudeamus 2012) olevissa Vesa Heikkisen, Mikko Lounelan ja Eero

Voutilaisen kirjoittamissa artikkeleissa Aineistot ja niiden käyttö tekstilajitutkimuksessa ja Automaattinen analysaattori

tekstilajitutkimuksessa.

Twollausteksti julkaistaan tässä lähes alkuperäisessä muodossaan. Joitakin pieniä lyöntivirheitä on korjattu, muutamia

muotoilumuutoksia on tehty, ja parissa kohdassa on selkeytetty sanontaa. Tekstin loppuun on liitetty Kotuksessa

työelämään tutustujana työskennelleen Viljami Haakanan (2011) kokoama luettelo niistä merkitsimistä, joita ei mainittu

jäsentimen dokumentaatiossa eikä tullut vastaan eri aineistojen analyyseissa vastaan.

Teksti kertoo konkreettisesti niistä ratkaisuista, joita (puoli)automaattista analysaattoria käyttävä tutkija joutuu työssään

tekemään. Tässä mielessä sillä on nähdäksemme yleispätevämpääkin merkitystä.

Asiallinen tapa viitata tekstiin Twollatun tekstiaineiston disambiguointi on tämä:

Vesa Heikkinen, Mikko Lounela & Satu Leisko-Järvinen (ent. Uosukainen) (2012 [2007]). Twollatun tekstiaineiston

disambiguointi. Helsinki: Kotimaisten kielten keskus. www.kotus.fi Haettu [päivämäärä].

Twollatun tekstiaineiston disambiguointi

Vesa Heikkinen, Mikko Lounela & Satu Leisko-Järvinen

1. Johdanto

Tämä on ohje tekstimateriaalien disambiguoimiseksi eli morfologisten tulkintojen

yksiselitteistämiseksi. Yksiselitteistäminen tarkoittaa käytännössä tarpeettomien vaihtoehtojen

poistamista niistä tulkinnoista, joita sanat saavat Fintwol-analysaattorilla tehdyssä automaattisessa

analyysissa.

Ohje tulee tarpeeseen. Yhteisiä pelisääntöjä tarvitaan, jotta eri ihmisten erilaisista aineistoista

tekemät kvantitatiiviset tutkimukset olisivat mahdollisimman vertailukelpoisia. Tässä Johdanto-

luvussa esitellään aineistojen käsittelyn vaiheita ja työn dokumentointia. Lisäksi käydään läpi niitä

Kotuksessa tehtyjä tutkimuksia, joissa on sovellettu Fintwol-analyysia. Luvussa 2 käsitellään

sellaisia ilmiöitä, jotka on koettu ongelmallisiksi, kun on poistettu sanojen ylimääräisiä tulkintoja.

Luvussa 3 käydään läpi niitä tietoja, joilla Fintwolin antamaa analyysia täydennetään. Luku 4

sisältää ohjeet siitä, mitä tehdään sellaiselle disambiguoitavalle aineistolle, jossa on virheitä.

Luvussa 5 on tietoa lisämerkinnöistä, joita aineistoihin voidaan disambiguoinnin yhteydessä tehdä.

Huomaa, että ohjeen eri osissa on jonkin verran päällekkäisyyksiä, ja joitakin asioita käsitellään

useammassa kuin yhdessä kohtaa ohjetta. Lukuun 6 on koottu morfologisissa tulkinnoissa

käytettävät merkinnät. Merkinnät tehdään xml-merkitsimillä, joita myös kutsutaan tägeiksi.

1.1. Tekstiaineiston koostamisesta ja käsittelemisestä

Aineistojen puoliautomaattinen morfologinen analyysi on monivaiheista. Ensin aineistot kerätään

jostakin halutusta paikasta. Aineistoja on koottu esimerkiksi vanhoista aikakauslehdistä,

nykyaikaisista sanomalehdistä ja verkkosivuilta. Tallennusvaiheessa tekstimateriaali muunnetaan

sähköiseen muotoon, jos sellaista ei valmiiksi ole. Esimerkiksi sanomalehtiaineistoja on skannattu

kuva- ja tekstitiedostoiksi. Skannattu tekstiaineisto oikoluetaan, sillä tekstiin saattaa

skannausvaiheessa tulla virheitä. Aineistosta korjataan vain skannauksessa tulleet virheet.

Alkuperäistekstin "virheitä" ei korjata, koska tutkimuksen kannalta on tärkeää säilyttää aineiston

alkuperäiset ominaisuudet muuttumattomina.

Seuraavaksi tiedostot nimetään informatiivisesti ja lajitellaan kansioihin ja alakansioihin, jos on

tarpeen. Jos aineistona on esimerkiksi vanha sanomalehti, jonka artikkelit halutaan analysoida, on

järkevää tallentaa kaikki artikkelit samaan kansioon, joka on nimetty lehden numeron mukaan. Näin

käsiteltäväksi voidaan myöhemmin ottaa saman lehden muitakin numeroita. Näistä ja muista

tallennuskäytännöistä sovitaan aineiston käyttäjän kanssa.

Tallentamisen jälkeen on vuorossa aineiston rakenteistaminen: tavallisena tekstinä tallennettuun

materiaaliin lisätään xml-koodaus. Koodauksessa muun muassa tekstikappaleet ympäröidään p-

merkitsimellä (<p>) ja virkkeet s-merkitsimellä (<s>). Koodiin voidaan lisätä myös muita

merkitsimiä tarpeen mukaan. Jos esimerkiksi nimiä halutaan tutkia tarkemmin, ne voidaan erottaa

tekstistä ja luokitella name-merkitsimen avulla (<name tyope="prop">Erisnimi</name>).

TEI tarkoittaa tekstiaineistojen rakenteistuksessa käytettävän xml-koodauksen standardia. TEI:ssä

siis määritellään, millaisia merkitsimiä rakenteistuksessa voidaan käyttää. Kotuksessa TEI:stä

käytössä oleva versio on TEI P4. Lisätietoja TEI:stä on saatavilla mm. sivustolta http://www.tei-

c.org/P4X/SG.html (A Gentle Introduction to XML). Mikäli et ole aiemmin tutustunut xml:ään, lue

se heti.

Rakenteistamisen jälkeen tekstit twollataan eli ajetaan Fintwol-analysaattorin läpi. Fintwol on

Kimmo Koskenniemen ja Lingsoftin kehittämä morfologinen analysaattori suomen kielelle. Twol

antaa automaattisesti sille syötetyn tekstisanan eli saneen kaikki eri luennat. Yhteen luentaan kuuluu

syötteenä annettu sanamuoto palautettuna perusmuotoonsa ja morfologisia merkitsimiä eli tägejä,

jotka kertovat sanan morfologisista ominaisuuksista, esimerkiksi sellaisista kuin sanaluokka,

persoona, luku ja sijamuoto. Morfologiset merkitsimet eroavat xml-merkitsimistä niin muotonsa

kuin merkityksensäkin puolesta. Esimerkkinä xml-merkitsimestä voisi olla virkkeen aloittava <s>,

morfologinen merkitsin INE puolestaan esiintyy vain <w>-merkitsimen msd-attribuutin arvona ja

tarkoittaa inessiivimuotoa.

<s>

<w lemma="talo" norm="talossa" type="N" msd=" INE SG ">talossa

</s>

Disambiguoimattomassa materiaalissa tekstin jokaisen saneen jokainen mahdollinen morfologinen

Fintwol-tulkinta on esillä. Virke Olin tiennyt tehneeni tyhmästi alusta asti. näyttää twollattuna

mutta disambiguoimattomana tältä:

<w lemma="olla" norm="olin" type="V" msd=" COP PAST ACT SG1 ">Olin</w>

<w lemma="olka" norm="olin" type="N" msd=" INS PL ">Olin</w>

<w lemma="ola" norm="olin" type="N" msd=" PROP INS PL ">Olin</w>

<w lemma="tietää" norm="tiennyt" type="V" msd=" PAST ACT NEG SG ">tiennyt</w>

<w lemma="tietää" norm="tiennyt" type="PCP2" msd=" ACT POS NOM SG ">tiennyt</w>

<w lemma="tehdä" norm="tehneeni" type="V" msd=" REF PAST ACT 1SG ">tehneeni</w>

<w lemma="tehdä" norm="tehneeni" type="PCP2" msd=" ACT POS NOM SG 1SG

">tehneeni</w>

<w lemma="tehdä" norm="tehneeni" type="PCP2" msd=" ACT POS GEN SG 1SG

">tehneeni</w>

<w lemma="tehdä" norm="tehneeni" type="PCP2" msd=" ACT POS NOM PL 1SG

">tehneeni</w>

<w lemma="tehnyt" norm="tehneeni" type="A" msd=" ACT PCP2 POS NOM SG 1SG

">tehneeni</w>

<w lemma="tehnyt" norm="tehneeni" type="A" msd=" ACT PCP2 POS GEN SG 1SG

">tehneeni</w>

<w lemma="tehnyt" norm="tehneeni" type="A" msd=" ACT PCP2 POS NOM PL 1SG

">tehneeni</w>

<w lemma="tyhmä" norm="tyhmästi" type="ADV" msd=" POS MAN ">tyhmästi</w>

<w lemma="alku" norm="alusta" type="N" msd=" ELA SG ">alusta</w>

<w lemma="alusta" norm="alusta" type="N" msd=" NOM SG ">alusta</w>

<w lemma="alustaa" norm="alusta" type="V" msd=" PRES ACT NEG ">alusta</w>

<w lemma="alustaa" norm="alusta" type="V" msd=" IMPV ACT SG2 ">alusta</w>

<w lemma="alustaa" norm="alusta" type="V" msd=" IMPV ACT NEG SG ">alusta</w>

<w lemma="alunen" norm="alusta" type="N" msd=" PTV SG ">alusta</w>

<w lemma="alus" norm="alusta" type="N" msd=" PTV SG ">alusta</w>

<w lemma="asti" norm="asti" type="ADV" msd="">asti</w>

<w lemma="asti" norm="asti" type="PSP" msd="">asti</w>

<w lemma="." norm="." type="PUNCT" msd=

" FULLSTOP ">.</w>

Twollauksen jälkeen materiaali on valmis disambiguoitavaksi. Disambiguoinnissa Fintwolin

antamista tulkinnoista valitaan yksi, kontekstissaan ”oikea” tulkinta. Muut vaihtoehdot eli

ambiguiteetti poistetaan.

Disambiguointi voidaan jakaa kahteen osaan: ei-toivottujen tulkintojen poistamiseen ja Fintwol-

analyysista puuttuvien tietojen lisäämiseen. Esimerkin kuuden sanan lause saa yli kaksikymmentä

mahdollista sanantulkintaa. Suurin osa näistä on kontekstissaan selvästi ei-toivottuja, ja ne voidaan

poistaa ilman ongelmia.

Virkkeen aloittava Olin ei selvästikään tässä yhteydessä viittaa olkaan eikä erisnimeen Ola.

Virkkeessä ei ole kyse myöskään alustamisesta tai alustasta. Vaikeampaa on päättää, onko sane asti

adverbi vai postpositio. Disambiguoijan on päätettävä myös, mikä on tehneeni-saneen oikea tulkinta

tässä tekstissä.

Yleensä tulkinnoista valitaan se, jonka type-attribuutin arvo (sanaluokka) ja lemma (perusmuoto)

ovat oikein. Sopivista tulkinnoista valitaan täsmällisin sopiva. Jos sana saa vain yhden

hyväksyttävän tulkinnan, se säilytetään. Fintwolin sanoille antamia analyyseja (lemma-, type- ja

msd-kenttien arvoja) ei muokata muuten kuin tämän ohjeen mukaisesti. (Lemma tarkoittaa sanan

perusmuotoa, norm sanan normalisoitua muotoa ja type sanaluokkaa. Msd-attribuutti sisältää muut

morfologiseen tulkintaan liittyvät tiedot.)

Disambiguoituna esimerkki näyttää tältä:

<w lemma="olla" norm="olin" type="V" msd=" COP PAST ACT SG1 " function=" PL

">Olin</w>

<w lemma="tietää" norm="tiennyt" type="PCP2" msd=" ACT POS NOM SG " function="

PL ">tiennyt</w>

<w lemma="tehdä" norm="tehneeni" type="V" msd=" REF PAST ACT 1SG ">tehneeni</w>

<w lemma="tyhmä" norm="tyhmästi" type="ADV" msd=" POS MAN ">tyhmästi</w>

<w lemma="alku" norm="alusta" type="N" msd=" ELA SG ">alusta</w>


<w lemma="." norm="." type="PUNCT" msd=" FULLSTOP ">.</w>

Aineistojen disambiguointi pyritään tekemään mahdollisimman yhtenäisesti. Uudet aineistot ja

niiden erikoisominaisuudet saattavat kuitenkin vaatia uusia päätöksiä ja tämän ohjeen päivittämistä.

Mahdolliset tästä ohjeesta poikkeavat tulkinnat tai disambiguointipäätökset vaativat keskustelua, ja

ne on dokumentoitava huolellisesti.

1.2. Dokumentoinnista

Disambiguoijien on dokumentoitava päätökset, joita disambiguointityön aikana tehdään. Tämä

tapahtuu siten, että jokainen disambiguoija täyttää dokumentointiraportin ja lähettää sen työnsä

ohjaajalle.

Kesäharjoittelijoiden ja muiden määräaikaisten tutkimusapulaisten on hyvä tehdä työstään myös

vapaamuotoinen työselostus. Se saa olla pidempi kuin dokumentointiraportti, joka on tarkoitettu

vain keskeisimpien tietojen keräämiseen. Työselostuksestakin on hyvä ilmetä seuraavat perusasiat:

harjoittelijan nimi, työn ajankohta (myös vuosi), disambiguoidut tai muulla tavoin käsitellyt

tiedostot (joita dokumentaatiossa esitellyt päätökset koskevat) sekä käsiteltyjen tiedostojen

nimeämistapa ja tallennuspaikka. Selostuksessa voi keskittyä kuvaamaan esimerkiksi työn

ongelmakohtia ja etenemistä sekä mahdollisia aineiston erityispiirteitä. Tällöin selostus voi toimia

myös harjoittelijan muistin tukena ja kuvata hänen edistymistään työn parissa. Hyvä käytäntö oman

työselostustiedoston nimeämiseen on esimerkiksi tyoselostus_uosukainen.rtf. Tällöin selostusten

lukijat näkevät jo tiedoston nimestä, kenen tekemä selostus on kyseessä.

Erityisesti dokumentointiasiakirjoihin kannattaa lisätä esimerkkejä ongelmallisista tapauksista ja

mahdollisista erikoistapauksista. Jos työstettyyn aineistoon on sovellettu jotain poikkeuspäätöstä,

pitää tällaisista tapauksista esittää jokin esimerkki ja sen lähde (missä tiedostossa ko. kohta on). Jos

raportti kattaa useamman kuin yhden disambiguoijan työn, siinä on hyvä mainita, kuka mitkäkin

aineiston osat on käsitellyt (esimerkiksi disambiguoinut tietyn presidentin puheet tai tietyn lehden

numeron kaikki artikkelit).

1.3. Kotuksessa tehtyjä tutkimuksia

Fintwol-analyysia alettiin tehdä Kotuksessa 1990-loppupuolella. Ensimmäinen tutkimus, jossa sitä

sovellettiin, oli Vesa Heikkisen väitöskirja Ideologinen merkitys kriittisen tekstintutkimuksen

teoriassa ja käytännössä (1999). Heikkistä avustivat käytännön analyyseissa Mikko Lounela ja Outi

Lehtinen. Tutkimuksessa twollattiin 100 sanomalehtien pääkirjoitusta. Aineistot ja twollaukset ovat

tallennettuina VH:n hallussa.

Kokeiluja jatkettiin Vesa Heikkisen, Pirjo Hiidenmaan ja Ulla Tiililän akvaariohankkeessa, jossa

tutkittiin muun muassa opetuslautakunnan esityslistoja ja pöytäkirjoja. Näitä analysoitiin

puoliautomaattisesti noin 76 000 tekstisanan verran (disambiguoijina Vesa Heikkinen ja

tutkimusapulainen Laura Vesa). Laskelmia on julkaistu teoksessa Teksti työnä, virka kielenä.

Aineisto on tallennettuna sähköisessä muodossa (VH:n hallussa), mutta twollatut versiot ovat

kadonneet.

Myöhemmin aloitetuista aineistoista pisimmälle on viety analyysit tasavallan presidenttien

uudenvuodenpuheista (Vesa Heikkinen ja Mikko Virtanen), maakuntalehtien pikku-uutisista (Vesa

Heikkinen, Mikko Lounela, Outi Lehtinen ks. Lisätietoja uutistutkimukseen

(http://www.kotus.fi/index.phtml?s=2271), rakennusviraston tiedotteista (Salli Kankaanpää),

kuljetuspalvelupäätöksistä (Ulla Tiililä), säädösaineistosta (Aino Piehl) ja kirkkohallituksen

kirjeistä (Riitta Kolehmainen). Kaikkien aineistojen tietokonelingvistinen vastuu on ollut Mikko

Lounelalla. Useimpien aineistojen käsittelyssä on ollut mukana myös tutkimusapulainen Mikko

Virtanen. Disambiguointia ovat tehneet mainittujen lisäksi tekstintutkimushankkeiden

tutkimusapulaiset Marianne Laaksonen, Anna Ontero, Helena Ässämäki, Heidi Vapaa, Satu

Uosukainen, Leena Maria Heikkola, Jussi Keinänen, Tomi Visakko ja Marika Karhunpesä sekä

siviilipalvelusmies Tuure Hurme.

Tekstiaineistojen puoliautomaattisen analyysin rakenne on vähitellen vakiintunut. Mikko Lounelan

ja Vesa Heikkisen yhteistyönä on aloitettu ”Teko-projekti”, jonka puolivirallisia syntysanoja

lausuttiin syksyllä 2003. Teko tulee sanoista ”tekstistä korpukseksi”. Teko-aineistot koostetaan,

käsitellään ja analysoidaan siten, että niistä saatavat kvantitatiiviset tulokset ovat vertailukelpoisia.

Teko-aineistojen tekijät soveltavat tämän ohjeen suosituksia.

2. Ei-toivottujen tulkintojen poistaminen

2.1. Partisiipit

http://www.kotus.fi/index.phtml?s=2271

Fintwol tarjoaa partisiippimuodoille kolme tulkintaa, joista yhdessä sanaluokkana (type) on verbi

(ty-pe="V"), toisessa partisiippi (type="PCP") ja kolmannessa adjektiivi (type="A"): <w lemma="tehdä" norm="tehty" type="V" msd=" PAST PSS NEG ">tehty</w>

<w lemma="tehdä" norm="tehty" type="PCP2" msd=" PSS POS NOM SG ">tehty</w>

<w lemma="tehty" norm="tehty" type="A" msd=" PSS PCP2 POS NOM SG ">tehty</w>

Yleissääntönä partisiippien disambiguoinnissa voidaan pitää sitä, että adjektiivitulkinta (type="A")

valitaan silloin, kun sana on komparatiivissa (pysyvämpi ratkaisu) tai superlatiivissa (elämän

kestävimmät siteet). Tällöin voidaan varmasti puhua adjektiivisesta leksikaalistumasta.

Adjektiivitulkinta annetaan myös, jos partisiippi määrittää substantiivia ja esiintyy hakusanana

Perussanakirjassa tai Kielitoimiston sanakirjassa. Näissä tapauksissa adjektiivitulkinnan on oltava

käyttöyhteydessään mielekäs: loistava tulevaisuus vs. pitkälle loistava valo tai kauan kestävä

kehitys vs. kestävä kehitys. Jos nämä ehdot eivät täyty, valitaan partisiipin sanaluokaksi partisiippi

(PCP1/PCP2) tai verbi (V).

Fintwolin ykköspartisiipille (PCP1) antamista tulkinnoista adjektiivi- ja partisiippitulkinnan välillä

valitaan seuraavan säännön mukaan: Adjektiivitulkinta valitaan vain, jos kyseessä oleva

partisiippimuoto esiintyy adjektiivina sanakirjassa. Muissa tapauksissa valitaan aina

partisiippitulkinta. Seuraavien esimerkkien tapauksista kuoleva ei ole sanakirjassa, haastava sen

sijaan on:

<w lemma="kuolla" norm="kuoleva" type="PCP1" msd=" ACT POS NOM SG ">kuoleva</w>

<w lemma="joutsen" norm="joutsen" type="N" msd=" NOM SG ">joutsen</w>

<w lemma="haastava" norm="haastava" type="A" msd=" POS NOM SG ">haastava</w>

<w lemma="tehtävä" norm="tehtävä" type="N" msd=" NOM SG ">tehtävä</w>

<w lemma="riita" norm="riitaa" type="N" msd=" PTV SG ">riitaa</w>

<w lemma="haastaa" norm="haastava" type="PCP1" msd=" ACT POS NOM SG

">haastava</w>

<w lemma="tyyppi" norm="tyyppi" type="N" msd=" NOM SG ">tyyppi</w>

Ensimmäisessä esimerkissä sanan tulkinnaksi valitaan partisiippi, sillä kuoleva ei ole

leksikaalistunut adjektiiviksi eikä sitä löydy sanakirjasta. Toisen esimerkin haastava sen sijaan saa

adjektiivitulkinnan. Kolmannessa esimerkissä käytetään adjektiiviksi leksikaalistunutta sanaa, mutta

tässä tekstiyhteydessä se ei kuitenkaan saa adjektiivitulkintaa.

Kakkospartisiippeja (PCP2) voi tekstissä esiintyä (ainakin) kolmessa tehtävässä: Osana

temporaalista tekstiketjua (perfektiä tai pluskvamperfektiä, on tehty), osana kielteistä

imperfektiivistä verbiketjua (ei onnistunut), tai etumääreenä (vuosi sitten valmistuneet ohjeet).

Partisiippisanaluokkainen vaihtoehto valitaan temporaalisissa verbiketjuissa.

Adjektiivisanaluokkainen vaihtoehto valitaan etumääreissä, mutta vain jos sana on

Perussanakirjassa tai Kielitoimiston sanakirjassa adjektiivina. Esimerkkejä:

<w lemma="olla" norm="oli" type="V" msd=" COP PAST ACT SG3 ">oli</w>

<w lemma="tehty" norm="tehty" type="A" msd=" PSS PCP2 POS NOM SG ">tehty</w>

<w lemma="ei" norm="ei" type="V" msd=" NEGV SG3 ">ei</w>

<w lemma="tehdä" norm="tehty" type="V" msd=" PAST PSS NEG ">tehty</w>

<w lemma="kuollut" norm="kuollut" type="A" msd=" ACT PCP2 POS NOM SG

">kuollut</w>

<w lemma="mies" norm="mies" type="N" msd=" NOM SG ">mies</w>

Valittaessa adjektiivi- ja partisiippitulkintojen väliltä on erityistä huomiota kiinnitettävä siihen,

millaisesta rakenteesta on kyse ja kuinka tarkasteltavaa ilmaisua on siinä käytetty. Esimerkiksi

luonteeltaan verbaalisissa ja produktiivisissa rakenteissa on valittu partisiippitulkinta siitä

huolimatta, että sanat ovat sanakirjassa itsenäisinä lekseemeinä: toivottua paremmin, kuten

tunnettua, olla näkyvillä, tulla näkyville. Kyse on siis siitä, kumpi tulkintavaihtoehto näissä

tapauksissa on mielekkäämpi, adjektiivi vai partisiippi.

Partisiipeista johdetut sti-adverbit: perusmuodoksi valitaan partisiippi, jos sana on leksikaalistunut

adjektiiviksi (eli on sanakirjassa). Muussa tapauksessa perusmuodoksi valitaan verbin infinitiivi.

Esimerkiksi huolestuttavasti –> huolestuttava ei löydy sanakirjasta, joten valitaan

lemma="huolestuttaa", samoin odotetusti –> lemma="odottaa". Toisaalta kuitenkin: ratkaisevasti –

> lemma="ratkaiseva".

Substantiiveiksi leksikaalistuneet partisiipit (syytetty, valtuutettu, syötävä): Fintwol tarjoaa

adjektiivi- ja partisiippitulkinnat, mutta ei substantiivitulkintaa. Näissä kohdissa Fintwolin

antamista tulkinnoista hyväksytään partisiippitulkinta, johon lisätään function-attribuutti, joka saa

arvon "N" (function="N"). Näin tapaukset ovat myöhemmin helposti löydettävissä ja – jos niin

päätetään – muunnettavissa.

<w lemma="syyttää" norm="syytetty" type="PCP2" msd=" PSS POS NOM SG " function="

N ">syytetty</w>

<w lemma="valtuuttaa" norm="valtuutettu" type="PCP2" msd=" PSS POS NOM SG "

function=" N ">

valtuutettu</w>

<w lemma="syödä" norm="syötävä" type="PCP2" msd=" PSS POS NOM SG " function=" N

">syötävä</w>

Säännöstä poiketaan vain erityistapauksissa, joten kaikki päätökset kannattaa dokumentoida. Asiaa

arvioidaan jatkossa uudelleen.

Agenttipartisiipit. Fintwol antaa -ma/-mä -päätteisille verbijohdoksille yleensä sanaluokan "DV-

MA" (johdostieto). Joskus se kuitenkin tarjoaa myös tulkintoja "V" tai "N". Substantiivitulkinnat on

suhteellisen helppo erottaa toisistaan.

<w lemma="johto" norm="johdon" type="N" msd=" GEN SG ">johdon</w>

<w lemma="arvostaa" norm="arvostamista" type="DV-MA" msd=" ELA PL

">arvostamista</w>

<w lemma="asia" norm="asioista" type="N" msd=" ELA PL ">asioista</w>

<w lemma="tämä" norm="tämä" type="PRON" msd=" DEM NOM SG ">tämä</w>

<w lemma="olla" norm="on" type="V" msd=" COP PRES ACT SG3 ">on</w>

<w lemma="arvostaminen" norm="arvostamista" type="N" msd=" DV-MINEN PTV SG

">arvostamista</w>

<w lemma="puu#seppä" norm="puusepän" type="N" msd=" GEN SG ">puusepän</w>

<w lemma="tehdä" norm="tekemään" type="DV-MA" msd=" ILL SG ">tekemään</w>

<w lemma="tuoli" norm="tuoliin" type="N" msd=" ILL SG ">tuoliin</w>

<w lemma="tulla" norm="tulin" type="V" msd=" PAST ACT SG1 ">tulin</w>

<w lemma="tehdä" norm="tekemään" type="V" msd=" INF3 ILL " >tekemään</w>

<w lemma="työ" norm="työtä" type="N" msd=" PTV SG ">työtä</w>

Agenttipartisiippitulkinnan yhteydessä msd-attribuuttiin ei siis tule PCP-merkintää.

2.2. Adverbit

Adverbitulkintaiset sanat saavat usein myös joko substantiivi-, prepositio- ja postpositiotulkintoja.

Vaikkapa esimerkiksi-sanalla on kaksi käyttöä (”Esimerkiksi minä kelpaan esimerkiksi.”).

<w lemma="esi#merkiksi" norm="esimerkiksi" type="ADV" msd="">esimerkiksi</w>

<w lemma="minä" norm="minä" type="PRON" msd=" PERS NOM SG ">minä</w>

<w lemma="kelvata" norm="kelpaan" type="V" msd=" PRES ACT SG1 ">kelpaan</w>

<w lemma="esimerkki" norm="esimerkiksi" type="N" msd=" TRA SG ">esimerkiksi</w>

Substantiivin erottaminen lienee yleensä aika selvää. Esimerkkivirkkeessä sana esimerkiksi esiintyy

sekä substantiivina että adverbina.

Prepositiot, postpositiot, adverbit. Prepositio- ja postpositiotulkintojen erottaminen toisistaan on

useimmiten helppoa:

<w lemma="sauva" norm="sauvojen" type="N" msd=" GEN PL ">sauvojen</w>

<w lemma="kanssa" norm="kanssa" type="PSP" msd="">kanssa</w>

<w lemma="tai" norm="tai" type="C" msd=" COORD ">tai</w>

<w lemma="ilman" norm="ilman" type="PP" msd="">ilman</w>

<w lemma="sauva" norm="sauvoja" type="N" msd=" PTV PL ">sauvoja</w>

Sanat luokitellaan adverbeiksi, kun ne esiintyvät itsenäisesti ja ilmaisevat aikaa, paikkaa, tapaa,

määrää tai muuta sellaista. Adverbitulkinta voidaan valita muun muassa silloin, kun sana esiintyy

ilman NP-täydennystä (mm. elliptisissä tapauksissa: ei yö niin pitkä, ettei päivä perässä). Tällä

perusteella esimerkiksi ottaa vastaan saa "ADV"-tulkinnan. Samaa logiikkaa mukailevat alla olevat

esimerkit:

<w lemma="perimä#tieto" norm="perimätiedon" type="N" msd=" GEN SG

">Perimätiedon</w>

<w lemma="mukaan" norm="mukaan" type="PSP" msd=" ILL ">mukaan</w>

VRT.

<w lemma="lähteä" norm="lähde" type="V" msd=" IMPV ACT SG2 ">Lähde</w>

<w lemma="mukaan" norm="mukaan" type="ADV" msd="">mukaan</w>

Esimerkeistä ensimmäisessä on kyse postpositiosta, sillä siinä mukaan esiintyy genetiivimuotoisen

täydennysosan yhteydessä. Alemmassa esimerkissä mukaan on adverbi.

Välillä prepositioita, postpositioita tai adverbeja voi olla vaikea luokitella nopeasti ja oikein.

Tällaiset tapaukset voi aluksi jättää hautumaan ja niihin voi palata niihin myöhemmin. Vaikeiksi

kokemiaan tapauksia voi myös koota omaan dokumentaatioon, jossa ne säilyvät myös muiden

luettavaksi.

Esimerkiksi asti ja saakka ovat Ison suomen kieliopin mukaan terminatiivisia partikkeleita, joilla on

yhteisiä piirteitä adpositioiden kanssa. Disambiguoitaessa ne on tulkittu postpositioiksi.

<w lemma="voida" norm="voi" type="V" msd=" PRES ACT SG3 ">voi</w>

<w lemma="kävellä" norm="kävellä" type="V" msd=" INF1 NOM ">kävellä</w>

<w lemma="perille" norm="perille" type="ADV" msd=" ALL ">perille</w>


Tulkinnat on syytä tarkistaa. Esimerkiksi yli ja alle esiintyvät adverbeina määrän ilmauksissa, mutta

pre- tai postpositioina genetiivitäydennyksen kera.

<w lemma="luoto" norm="luotoja" type="N" msd=" PTV PL ">luotoja</w>


<w lemma="yli" norm="yli" type="ADV" msd="">yli</w>

<w lemma="1000" norm="1000" type="NUM" msd="">1000</w>

Myös sellaisilla sanoilla kuin paitsi, päällä ja lisäksi on adverbitulkinnan lisäksi pre- ja

postpositiotulkintoja. Pre- tai postpositiotulkinta valitaan, jos sana muodostaa pääsanansa kanssa

nominilausekkeen.

<w lemma="kone" norm="koneen" type="N" msd=" GEN SG ">koneen</w>

<w lemma="päällä" norm="päällä" type="PP" msd=" ADE ">päällä</w>

<w lemma="kone" norm="kone" type="N" msd=" NOM SG ">kone</w>


<w lemma="päällä" norm="päällä" type="ADV" msd=" ADE ">päällä</w>

Adpositiolausekkeista kiteytyneet, sanaliiton muodostavat adverbit (ennen pitkää, tavan takaa, sitä

vastoin(?)) ovat hankalia, koska Fintwol käsittelee vain yhden sanan pituisia yksiköitä. Näissä

tapauksissa valitaan aina adpositiotulkinta, vaikka tieto adverbiluonteesta tällöin katoaakin.

Perusteluna on yhtenäisyyden kriteeri, sillä joissakin tapauksissa Fintwol tarjoaa ainoastaan P(S)P-

vaihtoehdon. Lisäksi joskus (harvoin) molemmat tulkinnat tuntuvat periaatteessa mahdolliselta.

Leksikaalistumisen arviointiperusteena käytetään myös tässä kysymyksessä sanakirjaa.

AD-A:t. Fintwol tarjoaa joillekin sanoille sanaluokan AD-A. Tällöin sana on määreen määre, eli

adverbi, joka määrittää adjektiivia tai toista adverbia. Minkään muun sanaluokan sanojen määreet

eivät saa tätä tulkintaa. AD-A-sanat eli ad-adjektiivit ja ad-adverbit (yhtä, liian, melko, varsin,

erittäin) ovat osa adverbien sanaluokkaa. TWOL-analyysien AD-A-tulkinta tarkoittaa, että kyseessä

on adverbi, jolla on erityisesti AD-A-ominaisuus.

<w lemma="todella" norm="todella" type="AD-A" msd="">todella</w>

<w lemma="iso" norm="iso" type="A" msd=" POS NOM SG ">iso</w>

<w lemma="tehdä" norm="teitkö" type="V" msd=" PAST ACT SG2 kO ">Teitkö</w>

<w lemma="se" norm="sen" type="PRON" msd=" DEM GEN SG ">sen</w>

<w lemma="todella" norm="todella" type="ADV" msd="">todella</w>

<w lemma="?" norm="?" type="PUNCT" msd=" QUESTION ">?</w>

AD-A-tulkinta valitaan adjektiivin tai adverbin määritteelle, kun TWOL on sitä tarjoaa, ja kun

kyseessä on määritteen määrite, eli ad-a-sana määrittää adjektiivia. Muutoin valitaan väljempi

ADV-tulkinta (adverbi). AD-A-luokitusta ei kuitenkaan tehdä käsin. Sanaluokkajakaumia

laskettaessa AD-A-luokituksen saaneet sanat voidaan yhdistää adverbiluokituksen saaneisiin.

AD-A:na pidetään vain adjektiivien (A) ja adverbien (ADV) määritteitä. TWOL saattaa tarjota AD-

A-tulkintaa myös esimerkiksi pronomini- (PRON), lyhenne- (ABBR) tai numeraalitulkinnan

(NUM) saaneen sanan määritteelle.

2.3. Numerot ja lyhenteet

Yleensä Fintwolin antamat numero- ja lyhennetulkinnat hyväksytään. Tällöin roomalaiset numerot

(III, XVII) saavat lyhennetulkinnan samoin kuin taivutetut numerot (3:s). Tämä on käyttämämme

analysaattorin ominaisuus (puute). Jos numerot ja lyhenteet halutaan käsitellä tarkasti, merkitään ne

aineistoon xml-merkitsimillä, esimerkiksi <num>numero</num> tai <abbr>lyhenne</abbr>, jolloin

ne voidaan myös segmentoida ja tyypitellä halutulla tavalla:

<num type="rom">cxxvii</num>

<abbr>puh.</abbr>

Toisinaan Fintwol tulkitsee peräkkäiset numerot joko yhteen tai erilleen virheellisesti:

<w lemma="31.12.2002 123" norm="31.12.2002 123" type="NUM" msd="">31.12.2002

123</w>

Vastaavaa virhettä ei kuitenkaan esiinny silloin, jos päivämäärää seuraisi nelinumeroinen luku,

esim. 31.12.2002 1945. Näissä tapauksissa tulkinta jakautuu oikein kahteen osaan.

Vanhoissa aineistoissa saattaa edelleen esiintyä segmentointivirheitä, joissa pitkät luvut ovat

saaneet useamman kuin yhden tulkinnan. Ks. esimerkki alla:

<w lemma="400" norm="400" type="ABBR" msd=" NOM SG ">400</w>


<w lemma="markka" norm="markan" type="N" msd=" GEN SG ">markan</w>

<w lemma="palkkio" norm="palkkion" type="N" msd=" GEN SG ">palkkion</w>

Yhteen tulkitut peräkkäiset numerot voi erottaa toisistaan disambiguointivaiheessa ja twollata osat

uudelleen. Tällöin uutta tulkintaa vaativa kohta erotetaan tekstistä ja twollataan uudelleen

(uudelleentwollauksesta tarkemmin luvussa 4.3. Uudelleentwollaaminen). Twollauksen tuloksena

saatu tulkintarivi liitetään entisen (tai entisten) paikalle tiedostoon ja tiedosto tallennetaan.

Twollausohjelmaa on Kotuksessa korjattu siten, että se ei enää jaa numeroiden eri osia eri riveille.

Jos näin kuitenkin jostakin syystä käy, voi numeron twollata uudelleen, jolloin virhe korjaantuu.

Myös vanhoissa aineistoissa esiintyvät tapaukset voi korjata twollaamalla numerot uudelleen. Jos

uudelleentwollauksia tehdään disambiguoinnin yhteydessä, ne on aina dokumentoitava

yksityiskohtaisesti.

2.4. Ilman tulkintaa jäävät sanat (#UNKNOWN)

Sanat, joille Fintwol ei anna lainkaan tulkintaa, jätetään sikseen. Omien tulkintojen lisääminen

niihin tekisi aineistot vertailukelvottomiksi. Tunnistamattomat sanat saadaan listatuksi erikseen

analyysivaiheessa, ja niiden edellyttämät varaukset voidaan tehdä laskemiin erikseen.

<w lemma="#UNKNOWN" norm="niinkuin" type="#UNKNOWN" msd="">niinkuin</w>

<w lemma="#UNKNOWN" norm="ja/tai" type="#UNKNOWN" msd="">ja/tai</w>

<w lemma="#UNKNOWN" norm="tummeli" type="#UNKNOWN" msd="">Tummeli</w>

Tekstissä olevat erikoismerkit jäävät tunnistamatta melko usein, mikä saattaa aiheuttaa myös

tunnistettavan sanan tai lyhenteen jäämisen ilman tulkintaa.

<w lemma="#UNKNOWN" norm="km²" type="#UNKNOWN" msd="">km²</w>

<w lemma="km" norm="km" type="ABBR" msd=" NOM SG ">km</w>

Näissä tapauksissa #UNKNOWN-tulkinta jätetään sikseen ja mahdolliset korjaukset laskelmiin

tehdään myöhemmin käsin.

Jos #UNKNOWN-tulkinta johtuu kirjoitusvirheestä alkuperäisessä tekstissä, se jätetään sikseen. Jos

virhettä taas ei ole alkuperäistekstissä, vaan se on tapahtunut aineistonkäsittelyprosessin aikana,

voidaan korjattu sana twollata uudelleen erikseen ja liittää oikea tulkinta aineistoon.

Katso myös tämän ohjeen lukua 4.1 Fintwolin tekemät virhetulkinnat.

2.5. Omistusliitteelliset sanat

http://apaja.kotus.fi/aineistot/disambiguointiohje/index.html#luku43


Monitulkintaisten omistusliitteellisten sanojen tapauksessa käytäntönä on tarkastella tekstiyhteyttä:

<w lemma="päätös" norm="päätöksemme" type="N" msd=" NOM SG 1PL ">päätöksemme</w>

<w lemma="päätös" norm="päätöksemme" type="N" msd=" GEN SG 1PL ">päätöksemme</w>

<w lemma="päätös" norm="päätöksemme" type="N" msd=" NOM PL 1PL ">päätöksemme</w>

Tällaisissa tapauksissa valitaan kontekstin perusteella joko yksikkö tai monikko, mutta ei

systemaattisesti vain toista, kuten on tehty joissakin vanhoissa aineistoissa.

3. Puuttuvien tietojen lisääminen

Fintwolin antama tekstisaneiden analyysi on osin puutteellista. Puuttuva mutta tutkimuksessa

välttämättömänä pidettävä informaatio lisätään aineistoon käsin disambiguoinnin yhteydessä.

Useimmiten lisäykset ovat koskeneet liittomuotoja sekä A/N-sanaluokkatulkinnan saaneiden

sanojen käsittelyä.

Tulkintoihin tehtävät lisäykset tarkoittavat joko function- tai status-attribuutin lisäämistä. Tarkat

ohjeet erilaisten attribuuttien lisäämisestä löytyvät alta. Lisäyksien kohdalla on kuitenkin erityisen

tärkeää kiinnittää huomiota siihen, kuinka attribuutin saama arvo merkintään attribuutin yhteyteen.

Function-attribuutin kohdalla attribuutin saaman arvon (esim. P tai PL) ympärille lainausmerkkien

sisään lisätään aina välilyönnit (esimerkissä merkitty alleviivauksella):

<w lemma="olla" norm="olit" type="V" msd=" COP PAST ACT SG2 "

function=" PL ">olit</w>

Status-attribuutin kohdalla välilyöntejä ei lisätä: <w lemma="tanskalainen" norm="tanskalainen" type="N" msd=" PROP DN-LAINEN POS

NOM SG " status="corrected_A/N">tanskalainen</w>

Välilyöntien lisääminen arvon yhteyteen määräytyy attribuutin ominaisuuksien mukaan. Kun arvoja

voi olla useampia, on niiden ympärille lisättävä välilyönnit, jos taas vain yksi, voidaan arvo lisätä

attribuutin yhteyteen ilman välejä. Status-attribuutti voi kerrallaan saada vain yhden

arvon, function-attribuutti taas useamman, joten status-attribuutin yhteyteen välilyöntejä ei lisätä,

kun taas function-attribuutin yhteyteen ne on aina laitettava. Huomaa: Välit lisätään siinäkin

tapauksessa, että function-attribuutti saa vain yhden arvon. Tämä tekee automaattisesta laskennasta

huomattvasti helpompaa.

Sama sääntö pätee myös attribuutteihin type ja msd, jotka löytyvät kaikista Fintwolin tulkinnoista.

Type voi kerrallaan saada vain yhden arvon (esim. N tai ADV), msd taas saa useampia. Tästä syystä

msd:n arvojen ympärillä on välit, kun taas typen arvon ympärillä ei ole.

3.1. Temporaaliset verbiketjut

Fintwol-analyysi ei riitä aikamuotojen tutkimiseen: analysaattori ei merkitse perfektiä eikä

pluskvamperfektiä mitenkään. Tämän vuoksi liittomuotojen molempiin osiin (apu- ja pääverbiin)

merkitään käsin tieto siitä, että ne muodostavat perfektisen tai pluskvamperfektisen komposition.

Lisäys tehdään lisää-mällä tulkintaan attribuutti function, joka saa arvokseen joko " P " (perfekti) tai

" PL " (pluskvamperfekti). Function-attribuutti lisätään aina w-merkitsimen loppuun, juuri ennen

merkitsimen sulkumerkkiä >. Huomaa, että attribuutin arvon (P tai PL) ympärille lainausmerkkien

sisälle lisätään molemmin puolin yksi välilyönti.

Function-attribuuttia käytetään siis esimerkiksi seuraavaan tapaan:

<w lemma="olla" norm="olen" type="V" msd=" COP PRES ACT SG1 " function=" P

">olen</w>

<w lemma="tehdä" norm="tehnyt" type="PCP2" msd=" ACT POS NOM SG " function=" P

">tehnyt</w>

<w lemma="olla" norm="olit" type="V" msd=" COP PAST ACT SG2 " function=" PL

">olit</w>

<w lemma="juosta" norm="juossut" type="PCP2" msd=" ACT POS NOM SG " function="

PL ">juossut</w>

<s>

<w lemma="tampere" norm="Tampereella" type="N" msd=" PROP ADE SG

">Tampereella</w>

<w lemma="ohje" norm="ohjeet" type="N" msd=" NOM PL ">ohjeet</w>

<w lemma="päivä#hoito" norm="päivähoidossa" type="N" msd=" INE SG ">päivähoidos-

<lb />sa</w>

<w lemma="oleva" norm="olevien" type="PCP1" msd=" ACT POS GEN PL ">olevien</w>

<w lemma="lapsi" norm="lasten" type="N" msd=" GEN PL ">lasten</w>

<w lemma="infektio" norm="infektioiden" type="N" msd=" GEN PL ">infektioiden</w>

<w lemma="ehkäisy" norm="ehkäisystä" type="N" msd=" DV-U ELA SG ">eh-<lb

/>käisystä</w>

<w lemma="ja" norm="ja" type="C" msd=" COORD ">ja</w>

<w lemma="hoito" norm="hoidosta" type="N" msd=" ELA SG ">hoidosta</w>

<w lemma="olla" norm="on" type="V" msd=" COP PRES ACT SG3 " function=" P

">on</w>

<w lemma="tehdä" norm="tehty" type="PCP2" msd=" PSS POS NOM SG " function=" P

">tehty</w>

<w lemma="vuosi" norm="vuosi" type="N" msd=" NOM SG ">vuosi</w>

<w lemma="sitten" norm="sitten" type="PP" msd="">sitten</w>

<w lemma="." norm="." type="delimiter">.</w>

</s>

Kielteisiin ketjuihin kieltoverbin kohdalle ei kuitenkaan merkitä funktiota:

<w lemma="ei" norm="en" type="V" msd=" NEGV SG1 ">en</w>

<w lemma="olla" norm="ollut" type="V" msd=" COP PAST ACT NEG SG " function=" PL

">ollut</w>

<w lemma="juoda" norm="juonut" type="PCP2" msd=" ACT POS NOM SG " function=" PL

">juonut</w>.

Konditionaalimuotoisten liittotempusten (olisi tehty) aikamuodoksi merkitään perfekti, function=" P

".

3.2. A/N

Yksi Fintwolin antamista sanaluokkatulkinnasta on "A/N". Tällaisista sanoista (esim. suomalainen)

Fintwol tarjoaa vain yhden tulkintamahdollisuuden, juuri sanaluokan A/N. Se ei siis erota tämän

luokan sanojen adjektiivi- ja substantiiviesiintymiä toisistaan. Vain harvoissa tapauksissa voidaan

kuitenkin sanoa jonkin sanan kuuluvan aidosti A/N-luokkaan. On siis vähän sellaisia tapauksia,

joista ei voida sanoa, ovatko A/N-tulkinnan saavat saneet käyttöyhteydessään adjektiiveja vai

substantiiveja.

Pääsääntö on tämä: Mikäli tekstiyhteyden perusteella on selvää, että sana on adjektiivi, tulkintaa

korjataan siten, että typestä poistetaan ylimääräiseksi tulkintavaihtoehdoksi jäävä N sekä

kauttaviiva. Tulkintaan lisätään status-attribuutti, josta ilmenee, että kyseistä kohtaa on korjattu

(status="corrected_A/N"). Korjattu tulkinta on seuraavanlainen:

<w lemma="kuuluisa" norm="kuuluisa" type="A" msd=" POS NOM SG ">kuuluisa</w>

<w lemma="tanskalainen" norm="tanskalainen" type="A" msd=" PROP DN-LAINEN POS

NOM SG " status="corrected_A/N">tanskalainen</w>

<w lemma="kielentutkija" norm="kielentutkija" type="N" msd=" DV-JA NOM SG

">kielentutkija</w>

Jos sana on kontekstissaan substantiivi, tehdään korjaus samaan tapaan:

<w lemma="kuuluisa" norm="kuuluisa" type="A" msd=" POS NOM SG ">kuuluisa</w>

<w lemma="tanskalainen" norm="tanskalainen" type="N" msd=" PROP DN-LAINEN POS

NOM SG " sta-tus="corrected_A/N">tanskalainen</w>

Typen arvoa siis muokataan sen mukaan, onko tarkasteltavana oleva sana adjektiivi vaiko

substantiivi. Korjaus kuitenkin jätetään näkyviin lisäämällä tulkintaan siitä merkintä status-

attribuutin avulla.

Huomaa, että ennen tämän ohjeen valmistumista tehdyissä aineistoissa A/N-sanaluokkaan

luokiteltuja tapauksia on käsitelty eri tavalla kuin tässä ohjeessa. Vanhat aineistot pyritään

korjaamaan tämän ohjeen mukaisiksi takautuvasti.

Jos A/N-luokkaan jostakin syystä on luokiteltu sanoja virheellisesti (esim. taianomainen on

merkitty A/N-tapaukseksi), käsitellään näitä virheinä normaaliin tapaan. (Katso ohjeita virheiden

käsittelystä luvussa 4 Virhetapausten käsittely.)

3.3. Substantiiveiksi leksikaalistuneet partisiipit

Substantiiveiksi leksikaalistuneille partisiipeille (syytetty, valtuutettu, syötävä) Fintwol tarjoaa

adjektiivi- ja partisiippitulkinnat, mutta ei substantiivitulkintaa. Näissä kohdissa Fintwolin

antamista tulkinnoista hyväksytään partisiippitulkinta, johon lisätään function-attribuutti, joka saa

arvon "N" (function="N"). Näin tapaukset ovat myöhemmin helposti löydettävissä ja – jos niin

päätetään – muunnettavissa.

<w lemma="syyttää" norm="syytetty" type="PCP2" msd=" PSS POS NOM SG " function="

N ">syytetty</w>

<w lemma="valtuuttaa" norm="valtuutettu" type="PCP2" msd=" PSS POS NOM SG "

function=" N ">

valtuutettu</w>

<w lemma="syödä" norm="syötävä" type="PCP2" msd=" PSS POS NOM SG " function=" N

">syötävä</w>

Säännöstä poiketaan vain erityistapauksissa, joten kaikki päätökset kannattaa dokumentoida. Asiaa

arvioidaan jatkossa uudelleen. Myös tämä päätös on uusi, ja sen mukaiset merkinnät puuttuvat

vanhoista aineistoista.

4. Virhetapausten käsittely


Aineistonkäsittelyprosessissa tulee vastaan monenlaisia virheitä. Virheet voidaan jakaa kolmeen

ryhmään: kopiointi- tai skannausvirheisiin, alkuperäisaineistossa oleviin virheisiin ja

twollausvirheisiin.

Kopiointi- tai skannausvirheet korjataan jo ennen rakenteistamisvaihetta. Jos virheet kuitenkin

pääsevät disambiguointivaiheeseen, ne korjataan silloin. Virheellinen sane analysoidaan

(twollataan) uudestaan erikseen ja sen saamista analyyseista valitaan paras.

Alkuperäisessä tekstissä olevia virheitä ei korjata. Tämä siksi, että on vaikea arvioida, missä

kohdissa virhe on todellinen, esimerkiksi näppäily- tai ladontavirhe, missä kohdissa esimerkiksi

kirjoittajan jostakin syystä tarkoittama tekstin ominaisuus. Vanhojen tekstien kohdalla

tulkintavirheitä tulee erityisesti sellaisten kielenkäänteiden kohdalle, jotka ovat kirjoitushetkellään

olleet hyväksyttävää kieltä, mutta joita nykyään ei pidetä kovin yleiskielisinä ilmauksina. Jos

virheelliset sanat saavat tulkintoja, niistä valitaan paras. Normaalikäytännön mukaan

alkuperäistekstin virheitä ei myöskään merkitä aineistoon mitenkään, vaikka niiden saama tulkinta

olisikin virheellinen. Jos tällaiset virheet halutaan aineistoon jostakin syystä merkitä, tarvitaan

siihen aineiston haltijan tai käyttäjän lupa. (Merkitsemisohje on luvussa 5 Vapaaehtoisia

lisämerkintöjä.)

4.1. Fintwolin tekemät virhetulkinnat

Myös Fintwol tekee virheitä. Tällöin sanalla ei ole lainkaan käyttöyhteyteen sopivaa tulkintaa tai se

on jaettu väärin ja saa useampia tulkintoja. Saaduista tulkinnoista valitaan paras tai hyväksytään

tarjottu ja lisätään siihen käsin merkintä virheellisestä analyysista (status="false"). Virheellisiksi

katsotaan vain ne sanat, joiden sanaluokka (type) ja/tai perusmuoto (lemma) ovat virheellisiä. Näin

pyritään pitämään tulkinnat aisoissa ja aineistot yhteismitallisina.

<w lemma="hän" norm="hän" type="PRON" msd=" PERS NOM SG ">Hän</w>


<w lemma="hoito#vapaa" norm="hoitovapaalla" type="A" msd=" POS ADE SG "

status="false">hoitovapaalla</w>

<w lemma="herra" norm="herra" type="N" msd=" NOM SG ">Herra</w>

<w lemma="kuroa" norm="kuronen" type="V" msd=" POTN ACT SG1 "

status="false">Kuronen</w>

<w lemma="vuosi" norm="vuodesta" type="N" msd=" ELA SG ">vuodesta</w>

<w lemma="nykyinen" norm="nykyiseen" type="A" msd=" POS ILL SG ">nykyiseen</w>

<w lemma="puoli" norm="puoleen" type="N" msd=" ILL SG "

status="false">puoleen</w>

<w lemma="vuosi" norm="vuoteen" type="N" msd=" ILL SG ">vuoteen</w>


Näiden esimerkkien virhetapaukset ovat melko selkeitä: hoitovapaa ei ole adjektiivi, eikä nimeä

Kuronen voida tulkita verbiksi. Puoleen taas olisi tässä yhteydessä tulkittava lähinnä numeraaliksi.

Tämän sanan kohdalla kuitenkin havainnollistuu Fintwollin virhe, sillä puoli saa twollauksessa

myös numeraalitulkinnan, mutta puoleen-sanalle sitä ei tule lainkaan.

Huomaa, että status-attribuutti lisätään aina msd-attribuutin jälkeen eli w-merkitsimen ensimmäisen

osan viimeiseksi (ks. yllä olevat esimerkit). Jos samaan saneeseen joskus pitää lisätä sekä function-

että status-attribuutit, sijoitetaan näistä function ensiksi ja status sen jälkeen.



Toisinaan Fintwolin antama tulkinta on kuitenkin vain osittain oikein tai väärin. Tällöin huomiota

pitää ensisijaisesti kiinnittää tulkinnan perusmuotoon (lemma) ja sanaluokkaan (type), joiden on

aina oltava oikein. Mikäli nämä ovat oikein, tulkinta hyväksytään, vaikka msd sisältäisikin virheitä.

Esimerkiksi sana jonakin saa msd:hen elatiivitulkinnan, mutta sen tulkinta on muuten oikein, eli

lemma ja type ovat virheettömät.

<w lemma="jokin" norm="jonakin" type="PRON" msd=" Q ELA SG ">Jonakin</w>

Tässä tapauksessa tulkinta hyväksytään, sitä ei siis merkitä virheelliseksi status-attribuutilla.

Esimerkkejä virheellisistä sanaluokkatulkinnoista (suluissa Fintwolin tarjoama sanaluokka/type)

ovat: luonteenomainen (N), Yrjö-Koskinen (A), suhdanne- (N), asianomainen (N) ja mielihyvä (A).

Esimerkkejä vääristä perusmuodoista: uudenvuosi ja pitkänkantama. Virheellisen tulkinnan saa

systemaattisesti myös usea, jonka Fintwol tulkitsee adjektiiviksi. Tällaisiin tulkintoihin lisätään

status="false"-merkintä.

Sellaisissa tapauksissa kuin talous- ja sosiaalipolitiikka tai kotimaan- ja ulkomaanliikenne

sanaluokkavirheet ovat yleisiä. Jos on rinnastettu kaksi adjektiivia (esim. talous- ja

sosiaalipoliittinen), ensimmäinen (se jonka perusosa korvattu yhdysmerkillä) on yleensä

virheellisesti tulkittu substantiiviksi. Mikäli sanaluokka on kuitenkin oikein (talous- (N) ja

sosiaalipolitiikka), tulkinta hyväksytään, vaikka lemmaksi olisikin merkitty "talous-".

A/N-luokkaan kuuluvat sanat voivat eri yhteyksissä olla joko adjektiiveja tai substantiiveja.

Fintwolin analyysissa kaikki tällaiset sanat saavat vain yhden tulkinnan (A/N). A/N-luokan

mielekkyyttä arvioitaessa kannattaa huomioida, että Fintwol ei käsittele yhtä sanaa pidempiä

kokonaisuuksia. Näin ollen se ei tarjoa mahdollisuutta erottaa substantiiveja ja adjektiiveja

toisistaan suoraan. Tästä syystä A/N-tapauksia käsitellään hieman poikkeuksellisesti. (A/N-

tapausten käsittelystä tarkemmin luvussa A/N.) Poikkeuksellisesti menetellään myös

substantiiveiksi leksikaalistuneiden partisiippien (esim. syytetty, valtuutettu) tapauksissa (ks. lukua

Substantiiveiksi leksikaalistuneet partisiipit).

Ongelmatapauksissa kannattaa tarkistaa, kuinka vastaavat tapaukset on aiemmin tulkittu. Aina

kannattaa myös dokumentoida omat päätökset. Näin aineistojen käsittelyssä säilytetään yhtenäinen

linja, ja tiedot mahdollisista poikkeustapauksista jäävät tulevienkin disambiguoijien ja aineistojen

käyttäjien saataville.

4.2. Segmentointivirheet

Jos disambiguoitaessa tulee vastaan Fintwollin sananjaossa tekemiä virheitä, niistä mahdollisesti

johtuva sanojen irto-osat merkitään status="part"-attribuutilla, jolloin ylimääräinen osa jää

huomiotta laskentavaiheessa. Twollausohjelmaa on korjattu sen tekemien segmentointivirheiden

osalta. Segmentointivirheitä on edelleen vanhoissa tekstiaineistoissa ja niitä korjataan takautuvasti.

Status="part"-attribuutti on lisätty myös silloin, kun Fintwol on tulkinnut päivämääriin ja

järjestyslukuihin kuuluvat pisteet erilleen sanan kanssa. Tällöin status="part" liitetään pisteen

saamaan tulkintaan. Myös joihinkin, yleensä vakiintumattomiin lyhenteisiin (esim. valok.) liittyviä

pisteitä voi joutua korjaamaan status="part"-merkinnän avulla. Huomaa, että tämä pätee myös

vierasperäisiin sanoihin, joita on taivutettu seuraavasti: ward’in tai lyhenne mk.

Näissä esimerkeissä sana tai jokin kokonaisuus (kuten päivämäärä) on analysoitu virheellisesti

numerot ja merkit kerrallaan:






<w lemma="#UNKNOWN" norm="parast" type="#UNKNOWN" msd="">parast</w>

<w lemma="#UNKNOWN" norm="’" type="#UNKNOWN" msd="">’</w>

<w lemma="aika" norm="aikaa" type="N" msd=" PTV SG ">aikaa</w>

Ensimmäisen esimerkin mukaisia tapauksia voi löytyä vanhoista aineistoista, mutta vastaavanlaisia

virheitä ei tapahdu enää, vaan päivämäärä tulkitaan yhdeksi kokonaisuudeksi. Aiemmin tulkintoja

on tullut monta yhden sijaan (yksi kullekin numerolle ja merkille), ja niistä osa saattoi olla

virheellisiä. Vanhoja aineistoja korjatessa tällaiset kohdat twollataan uudelleen, jolloin virhe

poistuu.

Segmentointivirheitä on löytynyt myös sellaisista erikoistapauksista kuin parast’aikaa. Kyseessä on

vanhahtava ilmaisu, jota Fintwol ei osaa käsitellä oikein. Tällaiset kohdat on korjattava

status="part"-merkinnällä, minkä lisäksi viimeiseen osaan tulee merkintä status="false", mikäli

viimeinen osa on virheellinen (kuten tässä tapauksessa).

<w lemma="#UNKNOWN" norm="parast" type="#UNKNOWN" msd=""

status="part">parast</w>

<w lemma="#UNKNOWN" norm="’" type="#UNKNOWN" msd="" status="part">’</w>

<w lemma="aika" norm="aikaa" type="N" msd=" PTV SG ">aikaa</w>

Status-attribuutti lisätään siis niiden sanojen kohdalle, jotka sisältävät vähiten oikeaa tulkintaa.

Sanan edustavin osa jätetään merkitsemättä. Edustavin osa on tavallisesti kokonaisuuden viimeinen.

Viimeinen osa tai sana sisältää usein esimerkiksi taivutuspäätteen, joka on hyvä saada mukaan

aineistosta tehtäviin laskelmiin. Jos viimeinen osa on kuitenkin tulkittu virheellisesti segmentoinnin

tai muun syyn takia, se merkitään status="false"-attribuutilla. Jos kyseessä on alkuperäistekstin

virhe, merkintä jätetään tekemättä. Asiasta on päätettävä tapauskohtaisesti.

Segmentointivirheistä on vielä olemassa erillinen ohje, Segmentointivirheiden korjaaminen, joka on

tarkoitettu muistin tueksi vanhojen aineistojen korjaamisessa. Perusdisambiguoinnissa sitä ei

tarvita.

4.3. Uudelleentwollaaminen

Joissakin tapauksissa on perusteltua ajaa osa disambiguoitavasta tekstistä uudelleen morfologisen

analysaattorin läpi, siis twollata se uudelleen. Näitä tapauksia voivat olla esimerkiksi sellaiset,

joissa tekstintunnistus on skannauksen yhteydessä selvästi tulkinnut väärin alkuperäisessä

dokumentissa olevaa tekstiä tai ensimmäisessä twollwuksessa ohjelmisto ei ole selvinnyt ihmiselle

selkeiden numerosarjojen segmentoinnista. Esimerkkinä jälkimmäisestä tapauksesta voisi olla virke

Tuotanto oli vuonna 1973 400 000 kappaletta, joka twollauutuu seuraavasti:

<w lemma="tuotanto" norm="tuotanto" type="N" msd=" NOM SG ">tuotanto</w>

<w lemma="olla" norm="oli" type="V" msd=" COP PAST ACT SG3 ">oli</w>

<w lemma="vuosi" norm="vuonna" type="N" msd=" ESS SG ">vuonna</w>

<w lemma="1973 400 000" norm="1973 400 000" type="NUM" msd="">1973 400 000</w>

<w lemma="kappale" norm="kappaletta" type="N" msd=" PTV SG ">kappaletta</w>

<w lemma="." norm="." type="PUNCT" msd=" FULLSTOP ">.</w>

http://apaja.kotus.fi/aineistot/disambiguointiohje/segmentointivirheiden_korjaaminen.pdf

Tässä tapauksessa twollataan erikseen merkkijonot 1973 ja 400 000 ja virheellisesti segmentoitu

lukujono korvataan niillä:

<w lemma="1973" norm="1973" type="NUM" msd="">1973</w>

<w lemma="400 000" norm="400 000" type="NUM" msd="">400 000</w>

5. Vapaaehtoisia lisämerkintöjä

Vaikka Fintwolin analyysi antaa teksteistä paljon tärkeää perustietoa, analyysi on monin osin

riittämätöntä. Aineistoihin voidaankin tehdä lisämerkintöjä, niin paljon kuin kunnianhimo ja

aikataulu ynnä muut sellaiset seikat antavat myöten. Jos disambiguointia tekee joku muu kuin

aineistoa tutkimuksessaan käyttävä henkilö, on lisämerkinnöistä hyvä sopia aineiston haltijan tai

käyttäjän kanssa mahdollisimman varhaisessa vaiheessa. Kaikki poikkeusratkaisut esimerkkeineen

on dokumentoitava.

5.1. Erisnimet, sanaliitot ja muut tekstijaksot

Fintwol tulkitsee erisnimiä puutteellisesti. Analyysi antaa yleisimmille erisnimille merkitsimen

"PROP". Fintwol ei kuitenkaan ota huomioon esimerkiksi sitä, että nimet koostuvat usein useista

sanoista. Tämän vuoksi Teko-aineistoissa ei käytetä hyväksi Fintwolin "PROP"-merkitsintä.

Monet tutkimuksen osaongelmat osoittautuvat sellaisiksi, että niiden tarvitsemat merkinnät ylittävät

sanarajat. Esimerkiksi nimet, määriin viittaaminen ja idiomit voivat olla useampisanaisia

sekvenssejä. Nimet voidaan lisätä aineistoon (<name>nimi</name>-merkitsimellä), samoin kuin

mitat (<measure>), osoitteet (<adress>), ajan ilmaukset (<time>) sanaliitot ja muut tekstijaksot, jos

tutkimusongelma sitä edellyttää. Tutkimusongelmakohtaiset merkinnät tehdään jo

rakenteistamisvaiheessa tekstirakenteeseen (TEI), koska TEI tarjoaa monille maailmaa kuvaaville

elementeille valmiit merkintätavat. Niitä ei siis lisätä disambiguoinnin yhteydessä ilman erityistä

syytä (jollainen voi olla esimerkiksi tarve tarkentaa merkintöjä jälkeenpäin). Lisätietoa TEI:stä

tämän dokumentin lopussa, luvussa Lisätietoja ja linkkejä.

Sanaliiton muodostavat erisnimet (kuten Turun Sanomat tai Pirkanmaan allergia- ja astmaliitto)

voidaan tarvittaessa ympäröidä name-merkitsimellä:

<name>

<w lemma="jyväskylä" norm="Jyväskylän" type="N" msd=" PROP GEN SG

">Jyväskylän</w><lb />

<w lemma="hiihto#seura" norm="hiihtoseuran" type="N" msd=" GEN SG

">hiihtoseuran</w>

</name>

<w lemma="," norm="," type="delimiter">,</w>

<name>

<w lemma="lieksa" norm="Lieksan" type="N" msd=" PROP GEN SG ">Lieksan</w>

<w lemma="hiihto#seura" norm="hiihtoseuran" type="N" msd=" GEN SG ">hiihto-<lb

/>seuran</w>

</name>

<w lemma="ja" norm="ja" type="C" msd="COORD ">ja</w>

<name>

<w lemma="tampere" norm="Tampereen" type="N" msd=" PROP GEN SG ">Tampereen</w>

<w lemma="pyrintö" norm="Pyrinnön" type="N" msd=" GEN SG ">Pyrin-<lb />nön</w>

</name>

<w lemma="mäki#hyppy" norm="mäkihypyn" type="N" msd=" GEN SG ">mäkihypyn</w>

<w lemma="ja" norm="ja" type="C" msd=" COORD ">ja</w>

<w lemma="yhdistää" norm="yhdistetyn" type="PCP2" msd=" PSS POS GEN SG

">yhdistetyn</w>

<w lemma="jaosto" norm="jaostoille" type="N" msd=" ALL PL ">jaostoille</w>


</s>

5.2. Modaaliset verbiketjut

Modaaliset (esim. nesessiiviset ja mahdollisuutta ilmaisevat) verbiketjut muistuttavat syntaktisesti

temporaalisia verbiketjuja. Ne voidaan tarvittaessa lisätä perusanalyysiin function-attribuutilla

samaan tapaan kuin perfekti ja pluskvamperfekti. Modaalisia apuverbejä on kuitenkin enemmän,

joten apuverbiys merkitään yhdistelmään vielä erikseen, myös kieltoverbiin.

<w lemma="olla" norm="on" type="V" msd=" COP PRES ACT SG3 " function=" MOD-NES-

AUX ">on</w>

<w lemma="olla" norm="oltava" type="PCP1" msd=" COP PSS POS NOM SG " function="

MOD-NES ">oltava</w>

<w lemma="saada" norm="saa" type="V" msd=" PRES ACT SG3 " function=" MOD-NES-AUX

">saa</w>

<w lemma="merkitä" norm="merkitä" type="V" msd=" INF1 NOM " function=" MOD-NES

">merkitä</w>

<w lemma="ei" norm="ei" type="V" msd=" NEGV SG3 " function=" MOD-MAH-AUX

">ei</w>

<w lemma="saada" norm="saa" type="V" msd=" PRES ACT NEG " function=" MOD-MAH-AUX

">saa</w>

<w lemma="käsitellä" norm="käsitellä" type="V" msd=" INF1 NOM " function=" MOD-

MAH ">käsitellä</w>

5.3. Lauseenvastikkeet

Myös lauseenvastikkeet voidaan merkitä function-attribuutilla. Rakenteita pidetään perinteisesti

lauseenvastikkeina silloin, kun ne ovat muutettavissa sivulauseiksi. Lauseenvastikkeista merkitään

temporaaliset ja finaaliset (produktiiviset). Fintwol merkitsee referatiiviset (REF: tiedämme sen

olevan täällä) ja temporaalisista saatuanne-tyyppiset (TEMP), joten function-attribuutti on lisättävä

temporaalisista vain lähtiessäsi- ja lähdettyäsi-tyyppeihin (NFC-TEMP) ja finaalisista voidakseni-

tyyppiin (NFC-FIN). Lauseenvastiketieto lisätään verbitulkintaan function-attribuutilla:

<w lemma="olla" norm="olevan" type="V" msd=" COP REF PRES ACT ">olevan</w>

<w lemma="saada" norm="saatuanne" type="V" msd=" TEMP PAST ACT 2PL

">saatuanne</w>

<w lemma="lähteä" norm="lähtiessäsi" type="V" msd=" INF2 ACT INE 2SG "

function=" NFC-TEMP " >lähtiessäsi</w>

<w lemma="voida" norm="voidakseni" type="V" msd=" INF1 TRA 1SG " function=" NFC-

FIN ">voidakseni</w>

5.4. Alkuperäistekstien virhetapaukset

Alkuperäistekstissä olleet lyöntivirheet tai muut sellaiset ongelmat voidaan merkitä status-

attribuutin arvolla "false/orig", jos halutaan. Normaalikäytännön mukaan tällaisia tapauksia ei

merkitä virheeksi lainkaan, vaan ne jätetään sinälleen. Niitä ei myöskään korjata.

5.5. Muut lisäykset

Selvästi semanttisten tulkintojen lisäämistä aineiston sanoihin on suunniteltu. Kokeilumielessä on

joihinkin uudenvuodenpuheisiin lisätty mm. tietoja lauseprosesseista. Samoin

uudenvuodenpuheisiin on lisätty tekstikappaleittain topiikkitietoja, siis tietoja jokaisen kappaleen

keskeisestä puheenaiheesta (intuition ja maailmantiedon perusteella).

6. Merkitsimet

6.1. Lingsoftin lista

(Ks. http://www2.lingsoft.fi/doc/fintwol/intro/tags.html)

Sanaluokka

A adjektiivi (pieni)

ABBR lyhenne (esim.)

AD_A ad-adjektiivi (melkein)

ADV adverbi (hitaasti)

ART vieraskielinen artikkeli (das)

C konjunktio (ja)

INTJ interjektio (hui)

N substantiivi (koira)

NUM numeraali (kaksi)

PP post- tai prepositio (jälkeen, ennen)

PREP vieraskielinen prepositio (de)

PRON pronomini (sinä)

PSP postpositio (vieressä)

Q kvanttori, määrän ilmaisu (moni)

V verbi (tulla)

Komparaatio

POS positiivi (kuuma, hyvä)

CMP komparatiivi (kuumempi, parempi)

SUP superlatiivi (kuumin, paras)

Sija

NOM nominatiivi (koira)

GEN genetiivi (koiran)

PTV partitiivi (koiraa)

ESS essiivi (koirana)

TRA translatiivi (koiraksi)

INE inessiivi (koirassa)

ELA elatiivi (koirasta)

ILL illatiivi (koiraan)

ADE adessiivi (koiralla)

ABL ablatiivi (koiralta)

ALL allatiivi (koiralle)

ABE abessiivi (koiratta)

CMT komitatiivi (koirineen)

INS instruktiivi (koirin)

Yksikkö ja monikko

SG yksikkö (kala)

PL monikko (kalat)

Possessiivisuffiksit

1SG Yksikön 1. persoona (tyttäreni)

2SG Yksikön 2. persoona (tyttäresi)

3 Yksikön tai monikon 3. persoona (tyttärensä)

1PL Monikon 1. persoona (tyttäremme)

2PL Monikon 2. persoona (tyttärenne)

Tapa

IMPV imperatiivi (lue!, mene!)

COND konditionaali (lukisi, menisi)

POTN potentiaali (lukenee, mennee)

Indikatiivimuotoja (lukee, menee) ei merkitä.

Aikamuoto

PRES preesens (haluan)

PAST mennyt aika, imperfekti (halusin)

Perfektit ja pluskvamperfektit tulkitaan partisiipeiksi (PCP1 ja PCP2).

Aktiivi ja passiivi

ACT aktiivi (uin)

PSS passiivi (uidaan)

Luku

SG1 Yksikön 1. persoona (menen)

SG2 Yksikön 2. persoona (menet)

SG3 Yksikön 3. persoona (menee)

PL1 Monikon 1. persoona (menemme)

PL2 Monikon 2. persoona (menette)

PL3 Monikon 3. persoona (menevät)

PE4 passiivin pääte (mennään)

Kielto

NEGV kielteinen verbi (en, et, ei)

NEG kieltomuoto (en tehnyt)

Infinitiivit

INF1 1. infinitiivi (tulla, tullakseni)

INF2 2. infinitiivi (tullessaan, tullessa)

INF3 3. infinitiivi (tulemaan)

INF5 5. infinitiivi (tulemaisillaan)

4. infinitiivi (tuleminen) tulkitaan substantiiviksi (N)

Partisiipit

PCP1 1. partisiippi (lentävä, lennettävä)

PCP2 2. partisiippi (lentänyt, lennetty)

Kliitit

hAn -han/-hän (poikahan)

kA -ka/-kä (eikä)

kAAn -kaan/-kään (poikakaan)

kin -kin (poikakin)

kO -ko/-kö (oletko)

pA -pa/-pä (oletpa)

s -s (onpas)

Muut

FORGN vieraskielinen sana (British)

PROP propri (Mikko) [Ei käytössä teko-projektissa!]

pi -pi (ompi)

6.2. Käytössä löytyneet merkitsimet

Käytössä löytyneitä merkitsimiä on raportoitu erityisesti uudenvuodenpuheaineistosta (mm. Virpi

Aaltonen & Leena Maria Heikkola). Näitä on hyvä kirjata muistiin lisää sitä mukaa, kun niitä tulee

vastaan.

COORD rinnastuskonjunktio

COP kopula

DA-UUS deadjectival, -UUs-johdin (rikollisuus)

DEM demonstratiivipronomini

DV-LLINEN deverbal -llinen-johdin (ruumiillinen)

DN-INEN denominal -inen-johdin (osainen)

DN-ITTAIN denominal -ittain-johdin (osittain)

DV-MA deverbal -ma-johdin (luoma)

DV-MATON deverbal -maton-johdin (murtumaton)

DV-NTAA deverbal -ntaa-johdin (vähentämällä)

DV-TTA deverbal -tta-johdin (huolestuttava)

DV-U deverbal -u-johdin (rajoitu)

INTG interrogatiivipronomini (mitä)

INTERR interrogatiivinen

MAN tapa-adverbiluokka

PERS persoonapronomini

REF referatiivinen lauseenvastike

REL relatiivipronomini

SUB alistuskonjunktio

TEMP temporaalinen lauseenvastike

6.3. Viljami Haakanan (4.4.2011) merkitsinlöydöksiä

DN-LAINEN (siilinjärveläistäjätär)

DN-LAISTA (siilinjärveläistäjätär)

DV-JA (siilinjärveläistäjätär)

DV-TAR (siilinjärveläistäjätär)

DN-LAISTU (berliiniläistyvissä)

DN-MAINEN (liisimäistä)

DV-NTA (juhlinta)

DV-NA (kohina)

DV-NTI (syönnit, marinointi)

DN-TON (saareton)

PTV/ABE (viidettä)

kOs (lähekkäisetkös)

DV-ELE (johtele, käyskennellen)

DV-ILE (hikoiluta)

lukijalle saatteeksi: twollatun tekstiaineiston disambiguointi · lukijalle saatteeksi: twollatun...

Documents